机器学习未来发展趋势

　　欢迎各位阅读本篇,学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。本篇文章讲述了机器学习未来发展趋势。

　　我们已经解释了人工智能(AI)是如何预测未来的，以及它如何改变工作场所甚至创造就业机会的。

　　尽管无人驾驶汽车和机器人技术可能占据了新闻头条，但人工智能、深度学习以及类似技术可能会让它们的最大影响几乎化为无形，方法就是通过无数方式简化和推进日常生活和商业。

　　用英伟达企业副总裁亚历克斯怀特(Alex White)的话说，深度学习预示着一个“全新的计算时代”，它将为所有人和一切事物开启“强大而深远的变革”。该公司正在开发更复杂的图形处理单元，以提高机器学习能力，同时支持1500家初创公司，以了解机器学习可以将人类带向何方。

　　机器学习不仅被用于癌症治疗、机器人技术以及无人驾驶汽车等引人注目的领域，也正被越来越多地应用于日常企业运营中。尽管这个题材显得很平凡，但它的确非常重要。深度学习可能会彻底改变人们在数据处理方面的日常工作，让他们更有成就感、更有创造力，最终让所有努力开花结果。换句话说，深度学习可以去做枯燥的事情，所以你没必要去做。

　　人工智能是就业机会的创造者吗?举例来说，如果你从事市场营销和销售方面的工作，深度学习可以在所有社交媒体上实时追踪顾客与你品牌之间的互动。它可以让你从繁琐的数据整理工作中解放出来，去追求更有价值的目标，以建立更大的工作优势。在这种情况下，深度学习可以成为提高就业水平的一种手段。当企业改善时，它们就会发展壮大，为我们这些卑微的人创造更多的就业机会。

　　至少，理论上如此。我们完全有理由怀疑，但这种理论十分符合逻辑。例如，去年电子商务销售额达到2万亿美元，预计到2020年这个数字还将翻一番。销售和营销是就业市场的重要组成部分，而这个市场可以通过深度学习基础设施来完善。

　　怀特最近在伦敦英伟达的“深度学习协会”活动上发言。另一位杰出的演讲者是安东尼莫尔斯博士(Dr Anthony Morse)，他是一名学者，用他的话说，“要让机器像孩子那样去学习”。在一段视频中，莫尔斯博士向一台人形机器人介绍一个物体一颗橘黄色的星星。然后，他将那个星星与一个红球共同展示出来，此前这个机器人还不认识红球。

　　当被要求拿起红球时，机器人能够从之前的指令中推断出这两个物体中哪个是橘黄色的星星，进而推断出哪个物体是红球(这是桌子上唯一剩下的物体)。这个相对简单的任务揭示一个微妙而复杂的世界，这个实验的意义在于：这个类人机器人正在以一个小孩子可能拥有的能力来教授自己知识。

　　如今，这种技术已经起飞，其潜力非常巨大。那么，这些可能性是如何转化为我们普通人的现实生活呢?莫尔斯说，视觉图像识别经常被认为是机器学习的例证，因为它很容易被所有人理解，更不用说深度学习在视觉识别上很容易超越人类的事实。任何熟悉Facebook自动标记工具的人都将认识到，它对用户和广告主都有用，尽管深度学习的能力远不止为社交网络照片排序。

　　莫尔斯认为深度学习的能力是广泛和双重的:第一，提高现有的自动化水平;第二，能够催生新的生产线和市常他认为，对于前一类产品，工厂生产线的发展可能会演变成更复杂的系统，如果它们被深度学习取代，就会产生更新更先进的产品，让新产品和市场变得更有魅力。从语音识别和实时翻译到无人驾驶汽车，从早期癌症检测到莫尔斯所谓的神奇软件(拍下某人的衣服后立刻在网上购买)，有些东西适合所有人的需求或怪异的特性。

　　无限的可能性?的确，它的影响深远。但有无限可能性?根据莫尔斯的说法，情况并非如此。他说：“它不能解决太阳底下的所有问题。”这种情绪与人们听到的很多关于深度学习的巨大潜力的观点有很大不同。

　　Adam Grzywaczewski博士与莫尔斯的观点相似，他将最近“深度学习”的发展归功于三大进展。首先，大数据的可用性增加了。人们每分钟向YouTube上传100个小时的视频，每天向Facebook上传3.5亿张照片。其次，这种规模的数据已经促使新的深度学习技术被研究和开发出来。最后，计算能力的飞跃是这些技术得以实现的巨大动力。

　　但是，深度学习是有深度的限制的。莫尔斯感叹道，标记好的训练数据通常都是昂贵的或者是不存在的。此外，你需要权衡下这样的警告，需要警惕深度学习的潜在能力。理解孩子们是如何学习并将其应用于机器学习上已经不再是科幻电影的素材了，它现在正在发生，它正在迅速发生，而且它发生在一个商业层面上。

　　Grzywaczewski博士热衷于强调，深度学习的生态系统是动态的，它在不断变化。英伟达企业副总裁亚历克斯怀特认为，与机器学习有关的研究主要局限于学术领域，而非商业领域，这股浪潮很快就会冲到岸上。

　　增强学习(reinforcement learning)

　　增强学习的特点是通过与环境的试探性(trial and error)交互来确定和优化动作的选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态的变化，并有可能得到某种强化信号(立即回报)，从而实现与环境的交互。强化信号就是对系统行为的一种标量化的奖惩。

　　系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果(如累计立即回报最大)。

　　在综合分类中,经验归纳学习、遗传算法、联接学习和增强学习均属于归纳学习，其中经验归纳学习采用符号表示方式，而遗传算法、联接学习和加强学习则采用亚符号表示方式;分析学习属于演绎学习。

　　实际上，类比策略可看成是归纳和演绎策略的综合。因而最基本的学习策略只有归纳和演绎。

　　从学习内容的角度看，采用归纳策略的学习由于是对输入进行归纳，所学习的知识显然超过原有系统知识库所能蕴涵的范围,所学结果改变了系统的知识演绎闭包, 因而这种类型的学习又可称为知识级学习;而采用演绎策略的学习尽管所学的知识能提高系统的效率，但仍能被原有系统的知识库所蕴涵,即所学的知识未能改变系统的演绎闭包,因而这种类型的学习又被称为符号级学习。

　　按学习形式分类

　　1)监督学习(supervised learning)

　　监督学习，即在机械学习过程中提供对错指示。一般实在是数据组中包含最终结果(0，1)。通过算法让机器自我减少误差。这一类学习主要应用于分类和预测 (regression & classify)。

　　2)非监督学习(unsupervised learning)

　　非监督学习又称归纳性学习(clustering)利用K方式(Kmeans)，建立中心(centriole)，通过循环和递减运算(iteration&descent)来减小误差，达到分类的目的。

　　小结：它是人工智能的核心，是使计算机具有智能的根本途径。文章中不足及错误之处在所难免，敬请专家和读者给予批评指正。